基于深度学习的石化港区安全风险分析及责任划分方法与流程

本发明属于评估分析，具体涉及基于深度学习的石化港区安全风险分析及责任划分方法。

背景技术：

1、现如今，石化港区因生产事故造成人员伤亡事件常有发生，人员安全风险管控形势异常严峻。抓好港口储罐区的安全风险管控，保障港区安全作业发展迫在眉睫，而保证石化港区安全生产的关键在于抓好石化港区作业过程中各级各类关联人员的安全作业责任落实。而在石化港区作业过程中，对石化港区安全生产的各类人员、作业各环节安全生产责任进行评估和监督，是推动安全责任到位，加强石化港区管控作业生产风险，防止安全事故发生的有效手段之一。

2、现有生产管理及安全预警技术手段中，没有专门针对石化港区企业安全责任的系统性的划分方法，也不能针对港口储罐区潜在扩散风险进行预测并对相关责任人发出风险预警，影响了港区安全作业，基于此，我们提出了基于深度学习的石化港区安全风险分析及责任划分方法。

技术实现思路

1、本发明的目的在于针对现有技术的不足之处，提供基于深度学习的石化港区安全风险分析及责任划分方法，解决了现有技术不能针对港口储罐区潜在扩散风险进行预测并对相关责任人发出风险预警，影响了港区安全作业的问题。

2、现有生产管理及安全预警技术手段中，没有专门针对石化港区企业安全责任的系统性的划分方法，也不能针对港口储罐区潜在扩散风险进行预测并对相关责任人发出风险预警，影响了港区安全作业，基于此，我们提出了基于深度学习的石化港区安全风险分析及责任划分方法，简而言之，所述基于深度学习的石化港区安全风险分析及责任划分方法包括获取石化港区作业场景及储罐区关联数据，得到作业环境模型，基于作业环境模型布置实时监测点，并通过实时监测点周期性获取实时监测数据，并通过主成分分析优化并对港区风险分析模型进行赋权改进，得到风险检测模型，然后加载实时监测数据，通过风险检测模型识别并检测实时监测数据，得到风险预测结果。本发明所提供的基于深度学习的石化港区安全风险分析及责任划分方法通过风险检测模型模型对石化港区潜在风险进行预警，同时能够针对石化港区多工种交叉作业的特点对潜在风险大的作业场景、作业设备、作业人员或储罐区进行风险分析以及关联责任人的责任预警，保证了石化港区人员、设备以及储罐区的作业安全。

3、本发明是这样实现的，基于深度学习的石化港区安全风险分析及责任划分方法，所述基于深度学习的石化港区安全风险分析及责任划分方法，具体包括：

4、获取石化港区作业场景及储罐区关联数据，基于深度学习对石化港区安全控制区域进行三维建模，得到作业环境模型，其中，所述作业环境模型包括模型拓扑参数、作业网络节点以及作业网络连边；

5、加载作业环境模型，基于作业环境模型布置实时监测点，并通过实时监测点周期性获取实时监测数据；

6、基于深度学习训练并构建港区风险分析模型，并通过主成分分析优化并对港区风险分析模型进行赋权改进，得到风险检测模型；

7、加载实时监测数据，通过风险检测模型识别并检测实时监测数据，得到风险预测结果，其中，所述风险预测结果包括当前风险值、责任关联度以及风险扩散趋势图，基于风险预测结果向相关责任人推送风险预测结果。

8、优选地，所述基于深度学习对石化港区安全控制区域进行三维建模的方法，具体包括：

9、获取石化港区作业场景及储罐区关联数据；

10、提取关联数据中石化港区作业场景及储罐区三维坐标参数，基于三维坐标参数构建初始三维云点框架，并赋予初始三维云点框架初始模型拓扑参数，其中，所述初始模型拓扑参数包括初始事故发生率、初始事故传播率以及事故初始责任划分函数；

11、加载初始三维云点框架，遍历关联数据中安全事故数据集，并基于深度学习修正初始三维云点框架，得到作业环境模型。

12、优选地，所述基于深度学习修正初始三维云点框架的方法，具体包括：

13、遍历关联数据中安全事故数据集，基于安全事故数据集计算作业网络节点以及作业网络连边对应的节点重要度和连边重要度，并基于安全事故数据集计算事故重要度；

14、根据节点重要度、连边重要度以及事故重要度构建重要度评判矩阵；

15、通过最小二乘法计算重要度评判矩阵，确定安全事故、作业网络节点以及作业网络连边在初始三维云点框架的权重系数。

16、优选地，所述基于深度学习修正初始三维云点框架的方法，具体还包括：

17、基于安全事故、作业网络节点以及作业网络连边的权重系数对初始模型拓扑参数进行修正，得到修正后初始三维云点框架；

18、加载修正后初始三维云点框架，对修正后初始三维云点框架进行空间网格划分以及关联责任划分，得到空间网格集以及责任划分集；

19、根据空间网格集的位置信息，构建包括有责任划分集的作业环境模型。

20、优选地，所述通过主成分分析优化并对港区风险分析模型进行赋权改进，得到风险检测模型的方法，具体包括：

21、获取港区风险分析模型；

22、基于历史数据生成多组影响因子初始比较矩阵，初始影响因子比较矩阵基于三标度比较而得，其中，初始影响因子比较矩阵表示为：

23、；

24、其中，比较矩阵包括行列，且为历史数据中初始影响因子的数量，为初始影响因子的影响层级；

25、计算初始影响因子比较矩阵的重要性指数，通过公式（1）计算；

26、（1）

27、其中，为初始影响因子比较值.通过公式（2）计算，表示比较矩阵的比较向量上限常量，表示比较矩阵的比较向量下限常量；

28、（2）

29、构造港区风险分析模型验证矩阵，基于模型验证矩阵验证港区风险分析模型的相容性。

30、优选地，所述通过主成分分析优化并对港区风险分析模型进行赋权改进，得到风险检测模型的方法，具体还包括：

31、验证港区风险分析模型的相容性是否超过预设相容阈值，若大于预设相容阈值，则基于主成分分析法对港区风险分析模型进行赋权改进；

32、若港区风险分析模型的相容性小于预设相容阈值，对模型验证矩阵进行改进，再次基于模型验证矩阵验证港区风险分析模型的相容性。

33、优选地，所述基于主成分分析法对港区风险分析模型进行赋权改进的方法，具体包括：

34、加载历史数据，并基于主成分分析法建立多个模型改进函数；

35、基于模型改进函数对港区风险分析模型赋权改进。

36、优选地，所述模型改进函数包括监测点影响函数、事故传播函数、监测点风险函数；

37、其中，监测点影响函数、事故传播函数、监测点风险函数的函数表达式分别为：

38、（3）

39、其中，表示监测点影响值，为影响增益系数，为监测点与相邻监测点的三维距离，为监测点有效辐射距离，而监测点三维坐标基于作业环境模型获取；

40、（4）

41、其中，表示事故传播值，为传播增益系数；

42、（5）

43、其中，表示风险函数值；

44、基于模型改进函数对港区风险分析模型赋权进行如下改进：

45、（6）

46、（7）

47、其中，表示赋权后港区风险分析模型的权重系数，为监测点影响函数的加权系数，表示事故传播函数的加权系数，表示监测点风险函数的加权系数。

48、优选地，所述通过风险检测模型识别并检测实时监测数据，得到风险预测结果的方法，具体包括：

49、获取实时监测数据；

50、基于风险检测模型计算当前数据对应的当前风险值以及风险扩散值；

51、加载作业环境模型中责任划分集，基于当前数据类型调取关联责任人，并计算关联责任人的责任关联度。

52、优选地，所述通过风险检测模型识别并检测实时监测数据，得到风险预测结果的方法，具体还包括：

53、叠加风险扩散值，对监测点对应叠加风险扩散值进行三维重建，得到风险扩散趋势图。

54、与现有技术相比，本技术实施例主要有以下有益效果：

55、本发明所提供的基于深度学习的石化港区安全风险分析及责任划分方法通过风险检测模型模型对石化港区潜在风险进行预警，同时能够针对石化港区多工种交叉作业的特点对潜在风险大的作业场景、作业设备、作业人员或储罐区进行风险分析以及关联责任人的责任预警，保证了石化港区人员、设备以及储罐区的作业安全。

56、本技术通过对修正后初始三维云点框架进行空间网格划分以及关联责任划分，方便了作业环境模型的构建，同时作业环境模型也能对实时监测点布置提供支持，从而显著的降低了安全风险分析及责任划分时的工作量，并保证了安全风险分析及责任划分的精准度，而作业环境模型包含有空间网格集以及责任划分集也能为港区风险分析模型构建提供支持。